IV.4Клиническая медицина и общественное здоровье

AIMH/mental-xlnet-base-cased — модель на базе XLNet-base-cased, предварительно обученная для текстов в области психического здоровья. Она предназначена для получения признаковых представлений текста средствами PyTorch и может применяться как основа для последующих задач анализа текстов о психическом здоровье. XLNet использует обобщённое авторегрессионное предобучение; модель рассчитана на английский язык. В метаданных указан pipeline text-generation, однако пример в README показывает извлечение признаков через XLNetModel, поэтому возможности генерации текста не подтверждены примером использования. Модель распространяется по лицензии CC BY-NC 4.0. Её предсказания не являются психиатрическими диагнозами; при проблемах с психическим здоровьем рекомендуется обратиться за профессиональной помощью.

OpenMed разработала эту модель для распознавания упоминаний генов и белков в биомедицинских текстах. Это дообученная модель ModernBERT для классификации токенов: она присваивает им метки BIO `B-GENE/PROTEIN` и `I-GENE/PROTEIN`, чтобы выделять границы сущностей. Веса занимают около 395 млн параметров; модель принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors. Модель обучена на корпусе BC2GM и предназначена для извлечения генов и белков из научных публикаций, клинических записей и других медицинских документов. Такие извлечения можно использовать при поиске по литературе, анализе медицинских текстов и построении биомедицинских баз знаний. В README приведены F1 и precision 0,87, recall 0,87 и accuracy 0,96 на BC2GM; эти показатели относятся к указанному корпусу и не гарантируют такого же качества на других типах текста. Карточка сообщает об Apache 2.0. Модель обучена для англоязычной биомедицинской литературы, поэтому перенос на другие языки, документы с отличающейся терминологией и клинические сценарии требует отдельной проверки. Она выделяет только сущности генов и белков, а не все типы медицинских сущностей.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2 — англоязычная модель семейства BERT, дообученная Mardiyyah на наборе данных Mardiyyah/TAPT_CeLLaTe2.0 поверх microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для заполнения пропусков в англоязычных биомедицинских текстах: модель предсказывает замаскированные слова с учётом окружающего контекста. Архитектура — BertForMaskedLM, размер — 136,7 млн параметров, длина контекста — до 512 токенов; веса доступны в формате safetensors. На указанной в карточке оценочной выборке приведены loss 1,0382, accuracy 0,7691 и perplexity 2,8240. Модель подходит для анализа и дополнения биомедицинской литературы, в частности аннотаций и полных текстов публикаций. Эти метрики относятся только к оценочной выборке из карточки и не гарантируют качество на других корпусах или клинических сценариях. Лицензия — Apache-2.0.

manucos/finetuned__roberta-clinical-wl-es__augmented-ultrasounds — дообученная испаноязычная модель RoBERTa на базе plncmm/roberta-clinical-wl-es. Она предназначена для предсказания замаскированных слов в тексте, в том числе в клиническом контексте. Модель содержит 153,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 514 токенов. Доступна в формате safetensors. README сообщает о дообучении на датасете, обозначенном как None, и приводит значение loss 0,6340 на оценочной выборке; дополнительные сведения о данных, назначении и ограничениях не раскрыты. Лицензия — Apache-2.0.

Модель AdamKasumovic/llama3-70b-instruct-mmlu-college-medicine-af-mmlu-good — дообученная разговорная языковая модель на архитектуре Llama 3. Она создана на основе unsloth/llama-3-70b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста и диалогов; название указывает на настройку для вопросов по медицине на уровне университетского курса, однако README не описывает её специализацию и качество на этих задачах. Модель содержит 69,5 млрд параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. Указана лицензия Apache-2.0. Карточка не приводит результатов оценки, поэтому качество ответов по медицине и надёжность фактической информации по ней не подтверждены.

MedQA_L3_1000steps_1e6rate_SFT — дообученная разговорная модель на базе Meta-Llama-3-8B-Instruct, разработанная пользователем tsavage68. Модель предназначена для генерации текста в диалоговом формате; название указывает на медицинские вопросы и ответы, однако README не подтверждает специализацию и не описывает сценарии применения. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст. В метаданных указана лицензия Llama 3; применяются условия лицензии базовой модели.

Модель raynardj/ner-chemical-bionlp-bc5cdr-pubmed — модель на базе RoBERTa для распознавания химических веществ в биомедицинских текстах. По карточке, её дообучили на наборах BioNLP и BC4CDR, используя PubMed-предобученную RoBERTa; размер составляет 151,8 млн параметров, контекст — 514 токенов. Модель выполняет маркировку токенов и выделяет упоминания химических веществ. Карточка также предлагает проверять её на упоминаниях генов и их продуктов, а также заболеваний, однако описанная схема меток содержит только классы O и Chemical, поэтому распознавание этих сущностей не подтверждено. Поддерживается английский язык. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Ограничение контекста составляет 514 токенов; схема меток ориентирована на химические вещества и не включает отдельные классы для генов, продуктов генов или заболеваний.

ishikaa/acquisition_student_medmcqa_diversity_sft_llama8b — текстовая генеративная модель на базе семейства Llama, опубликованная пользователем ishikaa на Hugging Face. По имени модели она ориентирована на дообучение SFT для ответов на вопросы из медицинского бенчмарка MedMCQA, однако README не содержит подробностей о разработчике, исходной модели, датасете или процедуре обучения. Модель имеет около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и может применяться к решению медицинских вопросов с вариантами ответа, подготовке учебных объяснений и созданию прототипов ассистентов для работы с медицинскими знаниями. Для использования заявлена библиотека Transformers; сведения о лицензии в доступных данных отсутствуют. README не приводит результатов оценки, описания качества, состава обучающих данных, ограничений безопасности или рекомендаций по эксплуатации. Ответы модели не следует использовать как единственное основание для медицинской диагностики, лечения или других клинических решений; необходима проверка специалистом.

DamarJati/Face-Mask-Detection — модель компьютерного зрения, дообученная на основе microsoft/swin-tiny-patch4-window7-224 для классификации изображений. Она предназначена для распознавания по изображению, надет ли на лице защитная маска. Модель построена на архитектуре Swin Transformer и содержит 33 млн параметров; веса представлены в формате PyTorch. В README указана точность 0,9992 и loss 0,0051 на оценочном наборе, однако состав и размер набора, классы классификации и методика оценки не описаны. Модель опубликована под лицензией Apache-2.0.

Face-Mask-Detection — модель классификации изображений, разработанная PrithivMLmods на базе google/siglip2-base-patch16-224 и дообученная для бинарного определения наличия маски на лице. Она относит изображение к классу «маска обнаружена» или «маска не обнаружена» и предназначена для проверок соблюдения требований в системах контроля доступа, общественных местах и на рабочих площадках. В отчёте README указаны точность 96,14% и F1 около 0,96 на выборке из 11 792 примеров; эти показатели относятся к приведённой оценке и не гарантируют такую же точность в других условиях. Модель принимает изображения и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Модель namaste-asu-matcher разработана Soham Chakraborty и дообучена на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления клинических формулировок с кодами классификации традиционных систем медицины Ayurveda, Siddha и Unani (ASU) из словаря NAMASTE. Это двунаправленный энкодер предложений на архитектуре BERT, который преобразует текст в плотные векторы размерности 384 для поиска и сравнения по косинусному сходству; число параметров — 25,9 млн. Модель предназначена для семантического поиска, устойчивого к опечаткам сопоставления симптомов и клинической лексики с терминами словаря, например в механизме картирования портала NAMASTE. Модель принимает текст на английском языке. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Обучение выполнено с MultipleNegativesRankingLoss на 1 322 примерах. Модель создаёт эмбеддинги, а не текстовые ответы; её специализация ограничена клинической терминологией и кодами ASU/NAMASTE. Лицензия — MIT.

OpenMed разработала ElectraMed-33M — модель на базе трансформера семейства BERT, дообученную для распознавания упоминаний генов и белков в биомедицинском тексте. Она классифицирует токены с BIO-разметкой и предназначена для анализа научных публикаций, клинических записей и других медицинских документов. Модель обучена на корпусе BC2GM и распознаёт сущности типов B-GENE/PROTEIN и I-GENE/PROTEIN. Метаданные указывают 40 млн параметров и контекст до 512 токенов. В README приведены показатели на BC2GM: F1 0,80, точность 0,77, полнота 0,84 и accuracy 0,94. Она подходит для извлечения генов и белков при поиске по литературе, анализе медицинских записей и построении биомедицинских баз знаний. Модель поддерживает английский язык и распространяется под лицензией Apache-2.0. Результаты относятся к задаче и корпусу BC2GM; перенос на другие типы документов и извлечение химических соединений или лекарств отдельно не подтверждены.

blizrys/biobert-base-cased-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, дообученная на основе dmis-lab/biobert-base-cased-v1.1 для классификации текста. В README указано, что дообучение проводилось для PubMedQA, однако обучающий набор обозначен как None, поэтому связь с конкретными данными и метриками ограничена. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых входов в сценариях вопросов и ответов по биомедицинским публикациям. В README приведены loss 2,3182 и accuracy 0,5 на оценочном наборе; это указывает на ограниченное качество в указанной оценке. Лицензия в предоставленных данных не указана.

gyesibiney/covid-tweet-sentimental-Analysis-roberta — дообученная модель Cardiff NLP twitter-roberta-base-sentiment для классификации тональности коротких текстов о COVID-19. Она использует архитектуру RoBERTa для последовательной классификации и содержит 151,8 млн параметров; максимальный контекст составляет 514 токенов. Репозиторий создан 13 июля 2023 года. Модель предназначена для определения тональности сообщений о COVID-19, например публикаций в социальных сетях. В README указаны результаты оценки: accuracy 0,7107 и loss 0,6957. Данные обучения названы неизвестным набором, поэтому нельзя оценить его состав и репрезентативность. Лицензия в предоставленных данных не указана.

electramed-small-JNLPBA-ner — модель на базе Electra, разработанная автором репозитория и дообученная из giacomomiolo/electramed_small_scivocab на наборе JNLPBA для распознавания именованных сущностей в биомедицинских текстах. Она присваивает метки отдельным токенам и подходит для извлечения биологических сущностей из научных публикаций. Модель содержит 20,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. На тестовой выборке JNLPBA указаны F1 0,8494, точность 0,8225, полнота 0,8782 и accuracy 0,9621. Лицензия в предоставленных данных не указана.

GPN-MSA — языковая модель для ДНК, обученная Song Lab на последовательностях человека и ещё 89 видов позвоночных с использованием множественного выравнивания последовательностей (MSA). Это плотная архитектура GPNRoFormer с 113,3 млн параметров и контекстом 1536 токенов; модель доступна в форматах PyTorch и Safetensors. Модель предназначена для предсказания замаскированных нуклеотидов и анализа генетических вариантов. Её можно применять для оценки эффектов вариантов и исследования геномных последовательностей человека с учётом эволюционного контекста. Задача в метаданных — fill-mask. Лицензия — MIT.

moriire/healthcare-ai-adapter-merged_16bit — дообученная автором moriire языковая модель семейства Llama для генерации текста. Она основана на unsloth/tinyllama-bnb-4bit и обучалась с помощью Unsloth и библиотеки Hugging Face TRL. Модель содержит около 1 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста; название репозитория указывает на медицинскую тематику, однако README не описывает специализированные медицинские навыки или сценарии применения. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В карточке указан английский язык.

Minbyul/meditron-7b-dpo-full-wo-kqa_golden-ep3 — дообученная модель генерации текста на архитектуре Llama, основанная на epfl-llm/meditron-7b. Она адаптирована методом DPO на датасете HuggingFaceH4/ultrafeedback_binarized; в карточке приведены метрики оценки предпочтений ответов, включая accuracy 0,8068 и margin 0,9447. Модель предназначена для генерации ответов и может использоваться в экспериментах с медицинскими диалогами благодаря медицинской специализации базовой Meditron-7B. Параметры: 6,6 млрд, контекст 2048 токенов; основным языком базовой модели является английский. Распространяется в формате Safetensors по лицензии Llama 2. Карточка не описывает отдельные проверки медицинской точности или клинической безопасности, поэтому ответы не следует считать медицинской рекомендацией.

MedPhi-3-mini_v1 — медицинская разговорная языковая модель ChenWeiLi на архитектуре Phi-3. Это плотная авторегрессионная модель с 3,7 млрд параметров, предназначенная для генерации текста в диалогах и ответов на медицинские вопросы. Карточка приводит результаты оценки на MedMCQA и MedQA с вариантами ответа. Модель принимает текст и генерирует текст; заявленный родной контекст — 4096 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Оценки на медицинских тестах указывают на профильное назначение, но не подтверждают пригодность для клинических решений; качество и точность ответов вне приведённых тестов не описаны.

edmundhui/mental_health_trainer — модель классификации текста на основе BERT, дообученная автором на наборе reddit_mental_health_posts. Она предназначена для классификации текстов о психическом здоровье. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель выпущена под лицензией Apache-2.0. Карточка не описывает метки классов, метрики качества и оценку пригодности для клинического использования; результаты не следует считать медицинским заключением.

SynthPose — дообученная модель оценки позы человека, разработанная Yoni Gozlan на основе ViTPose Base и представленная в работе OpenCapBench: A Benchmark to Bridge Pose Estimation and Biomechanics. Модель принимает изображения и обнаруживает 52 ключевые точки: 17 точек COCO и 35 анатомических маркеров, характерных для систем захвата движения. Модель предназначена для получения более плотной разметки позы человека на изображениях и анализа кинематики. Её можно применять для оценки движений по видео-кадрам и подготовки данных для биомеханических исследований. Архитектура использует backbone ViTPose Base на основе Vision Transformer; репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

BioDistilBERT-cased — языковая модель семейства DistilBERT, разработанная путём продолжительного обучения исходной DistilBERT-cased на корпусе PubMed. Она предназначена для восстановления скрытых токенов в биомедицинских текстах и может применяться для дополнения фраз и анализа контекста публикаций. Модель имеет 6 трансформерных слоёв, размер скрытого представления 768, словарь из 28 996 токенов и около 65 млн параметров; максимальная длина контекста — 512 токенов. Поддерживает регистр исходного текста и поставляется в формате PyTorch. Модель рассчитана на биомедицинские тексты, в частности научные публикации PubMed. Лицензия MIT допускает широкое использование. Карточка не сообщает результаты оценки качества или ограничения применения; выходы модели следует проверять в целевом контексте.

Модель ianpan/bone-age-crop предназначена для выделения области кисти на рентгенограммах, чтобы стандартизировать изображения перед оценкой костного возраста. Она использует лёгкую основу MobileNetV3 Small 1.0 и предсказывает нормализованные координаты прямоугольника в формате xywh. Модель реализована для object detection и распространяется в формате safetensors. Обучение и проверка проводились на 12 592 детских рентгенограммах кисти из набора RSNA Pediatric Bone Age Challenge с разделением 80/20. В односрезовой проверке средняя абсолютная ошибка нормализованных координат составила 0,0152 для x, 0,0121 для y, 0,0261 для ширины и 0,0213 для высоты. Модель предназначена для подготовки входных изображений, а не для непосредственного определения костного возраста. Лицензия — Apache-2.0.

Cas-Warehouse объединил несколько языковых моделей на базе Llama 3 с помощью Model Stock и mergekit. В слияние вошли OpenBioLLM-8B и две модели Blackroot; итоговая модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Длина контекста — 8192 токена. Модель предназначена для генерации текста. Биомедицинская направленность унаследована от OpenBioLLM-8B, описанной как англоязычная модель для медицинских и биомедицинских задач; компоненты LongStory и Abomination также включены в слияние. Практические сценарии могут включать генерацию и продолжение текста, а также ответы на вопросы по биомедицинской тематике, но README не приводит оценок качества или специализированных инструкций. Лицензия в предоставленных данных не указана. Результаты в медицинских сценариях следует проверять специалистом; сведения о валидации, безопасности и пригодности для клинического применения не приведены.

MentalBERT — языковая модель AIMH, основанная на RoBERTa-large и дополнительно предварительно обученная на публикациях о психическом здоровье с Reddit. Она предназначена для извлечения контекстных представлений текста и может применяться как основа для задач анализа текстов о психическом здоровье; в метаданных Hugging Face указана задача fill-mask, то есть предсказание скрытых токенов в тексте. Модель создана с использованием стандартных протоколов предварительного обучения BERT и RoBERTa и библиотеки Transformers. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Поскольку обучение опиралось на публикации Reddit и модель не описана как клинически валидированный инструмент, её выводы не следует считать диагнозом или медицинской рекомендацией.

ProMiNER Russian BioNNE-L Reranker — кросс-энкодер на базе XLM-RoBERTa, разработанный для русскоязычного связывания биомедицинских упоминаний с понятиями UMLS. Он получает упоминание и описание кандидата и оценивает их соответствие, чтобы ранжировать кандидаты, предварительно найденные плотным ретривером. Модель дообучена на списках кандидатов BioNNE-L с LambdaLoss; в карточке указаны 305,2 млн параметров и максимальная длина последовательности 384 токена при обучении. В тестовой выборке BioNNE-L модель достигла Acc@1 0,734 и MRR 0,780. Она предназначена как этап переранжирования в системе ProMiNER, а не как самостоятельный генератор ответов или ретривер; контекст ограничен 514 токенами. Использование и распространение разрешены по лицензии MIT.

Suicidal-BERT — англоязычная модель классификации текста, разработанная gohjiayi на основе google-bert/bert-base-uncased и дообученная для определения суицидальной тематики в последовательности слов. Она относит текст к одному из двух классов: суицидальный или несуицидальный. Модель предназначена для анализа англоязычных публикаций и текстов, в том числе сообщений в социальных сетях. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки на использованном наборе данных: accuracy 0,9757, recall 0,9669, precision 0,9701 и F1 0,9685. Данные собраны с Reddit и поровну распределены между двумя классами; дообучение проводилось в течение одной эпохи. Модель распространяется по лицензии MIT. Показатели из README относятся к указанному набору данных и не подтверждают качество на других источниках или в реальных сценариях. Классификацию не следует использовать как клиническую оценку или единственное основание для решений, связанных с безопасностью; возможны ошибки и смещение из-за состава обучающих данных.

UNI — предварительно обученный визуальный энкодер Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель построена на ViT-L/16 с подходом DINOv2 и предобучена на наборе Mass-100K: примерно 100 млн изображений из 100 тыс. целых гистологических слайдов, включая частные коллекции BWH/MGH и материалы консорциума GTEx. Входное изображение преобразуется к размеру 224 × 224, выходной вектор признаков имеет размерность 1024. UNI предназначена для построения и оценки моделей вычислительной патологии. Замороженные признаки можно применять для классификации участков ткани, поиска похожих изображений и классификации целых слайдов с помощью MIL; для сегментации рекомендуется дообучение специализированными средствами. Авторы сообщают о сильных результатах на 34 клинических задачах и отмечают, что предобучение не использовало ряд открытых наборов гистологических слайдов, применяемых в бенчмарках. Для загрузки весов требуется аутентификация и одобрение доступа; README указывает, что основной адрес Hugging Face должен быть институциональным. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных материалов. Модель ориентирована на изображения патологии и сама по себе не выдаёт клинический диагноз.

Это визуальный backbone ViT-Small, опубликованный Kaiko AI в рамках проекта Towards Large-Scale Training of Pathology Foundation Models. Модель содержит около 22 млн параметров, использует патчи размером 16×16 пикселей и рассчитана на изображения 224×224 пикселя с тремя цветовыми каналами. Модель предназначена для извлечения признаковых векторов из изображений, в частности для построения систем анализа гистопатологических изображений. Полученные эмбеддинги можно использовать как входные признаки для классификации и других downstream-задач. В карточке указана лицензия other; конкретные условия следует сверять с лицензией проекта.

AX-3.1-Light-specialist-r1-ties — это слитая модель на базе A.X-3.1-Light от SK Telecom, подготовленная автором репозитория youngseok12. Три LoRA-адаптера, обученные по отдельности на корейских наборах по медицине, численным вычислениям и причинному рассуждению, объединены методом TIES в самостоятельные веса BF16; отдельный адаптер для использования не нужен. Модель имеет плотную архитектуру семейства Llama, 6,8 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в формате чат-ответов на корейском языке, особенно для ответов на тестовые вопросы с выбором из четырёх вариантов. В проверке формата на 240 отложенных примерах ответ присутствовал во всех выходах, в среднем длина составляла 13 токенов. Она подходит для экспериментов и оценки медицинских знаний, вычислительного машинного чтения и причинно-следственного рассуждения на корейском языке. Автор обозначает модель как исследовательскую и оценочную. Ответы могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не приведены.